云数据中心是互联网及相关产业的信息化基础设施。批处理作业是云数据中心的一类主要负载,批处理作业包含多个批处理任务,批处理任务是资源消耗的实体。随着批处理任务部署模式从独立部署模式向多租户混合部署模式的转换,运行于同一服务器上的多个批处理任务间由于资源竞争形成较为严重的性能干扰,这一现象已成为制约云数据中心服务质量的重要原因。另一方面,随着数据中心规模及负载种类的增加,采用传统任务组合枚举统计方法进行准确的批处理任务性能干扰分析与预测的成本不断增加,难具可行性。针对上述问题,本文提出了基于数据中心海量日志分析的批处理任务干扰预测方法。该方法提取既有日志中任务干扰相关的特征,并基于机器学习理论构建了面向复杂并发执行环境的批处理任务干扰预测模型,能够较为准确地预测任务在任意动态到达的并发任务组合下受到的相对干扰,降低了任务干扰分析的成本并为数据中心任务调度和容量规划提供依据。具体而言,本文的主要贡献如下:1)基于典型日志开展了云数据中心批处理任务干扰量化分析。在排除数据倾斜和任务实例执行逻辑分支影响的前提下,验证了云数据中心中存在的任务干扰现象并量化统计了干扰对任务执行性能带来的影响,证明了使用任务执行时与之并发执行的任务组合信息预测任务间性能干扰的合理性。2)提出了面向任务干扰分析的海量任务分类方法。该方法首先对日志中记录的任务相关的原始特征属性进行统计分析,在资源需求、计算行为这两个维度上提取了任务干扰相关的特征属性。基于所选取的特征属性,从干扰分析的需求出发,首先以任务执行时长对任务进行分类,在每个分类中采用自上而下的层级聚类方法Bisecting Kmeans对任务进行递归的划分,最后通过将分类后相似的类簇进行合并减少任务总类数,从而降低任务干扰预测建模的复杂程度。3)提出了基于海量日志的任务干扰预测模型。首先提出了任务干扰特征表达模型,该模型分别以向量和时序矩阵的形式描述任务启动前后到达的并发任务集合,从而完整的描述了任务在整个执行周期中的并发任务组合的动态变化情况。在特征表达的基础上,构建了基于卷积神经网络的任务干扰预测模型。该模型针对任务并发执行特征提出了使用大卷积核以及较为简单网络结构的设计方法;并通过损失函数设计,解决样本数据倾斜问题,最终可较为准确地预测在与任意动态到达的任务组合并发运行时任务受到干扰程度。4)对海量日志任务分类方法和任务干扰预测模型进行了性能评估。与不分区的日志任务分类方法进行比较,本文所提出的面向干扰分析的任务分类方法可使任务类中任务干扰敏感度的离散程度平均降低42.8%;与既有三种有代表性的任务干扰预测模型比较,本文提出的任务干扰预测模型平均提升了31.72%的F1-score值。